Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Bonini Neto, Alfredo | - |
Autor(es): dc.creator | Alves, Dilson Amancio | - |
Autor(es): dc.creator | Minussi, Carlos Roberto | - |
Data de aceite: dc.date.accessioned | 2025-08-21T22:57:25Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T22:57:25Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2022-10-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.3390/en15217939 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/249377 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/249377 | - |
Descrição: dc.description | This paper presents the ANN (Artificial Neural Networks) approach to obtaining complete P-V curves of electrical power systems subjected to contingency. Two networks were presented: the MLP (multilayer perceptron) and the RBF (radial basis function) networks. The differential of our methodology consisted in the speed of obtaining all the P-V curves of the system. The great advantage of using ANN models is that they can capture the nonlinear characteristics of the studied system to avoid iterative procedures. The applicability and effectiveness of the proposed methodology have been investigated on IEEE test systems (14 buses) and compared with the continuation power flow, which obtains the post-contingency loading margin starting from the base case solution. From the results, the ANN performed well, with a mean squared error (MSE) in training below the specified value. The network was able to estimate 98.4% of the voltage magnitude values within the established range, with residues around 10−4 and a percentage of success between the desired and obtained output of approximately 98%, with better result for the RBF (radial basis function) network compared to MLP (multilayer perceptron). | - |
Descrição: dc.description | School of Sciences and Engineering São Paulo State University (Unesp) | - |
Descrição: dc.description | School of Engineering São Paulo State University (Unesp) | - |
Descrição: dc.description | School of Sciences and Engineering São Paulo State University (Unesp) | - |
Descrição: dc.description | School of Engineering São Paulo State University (Unesp) | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Energies | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | artificial intelligence | - |
Palavras-chave: dc.subject | contingency analysis | - |
Palavras-chave: dc.subject | continuation methods | - |
Palavras-chave: dc.subject | load flow | - |
Palavras-chave: dc.subject | maximum loading point | - |
Palavras-chave: dc.subject | voltage collapse | - |
Palavras-chave: dc.subject | voltage stability margin | - |
Título: dc.title | Artificial Neural Networks: Multilayer Perceptron and Radial Basis to Obtain Post-Contingency Loading Margin in Electrical Power Systems | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: